Μέθοδοι εκτίμησης περιεκτικότητας εδαφικού υδραργύρου χρησιμοποιώντας πολυφασματική ψηφιακή τηλεπισκόπηση

Από RemoteSensing Wiki

Μετάβαση σε: πλοήγηση, αναζήτηση
Εικόνα 1: Περιοχή μελέτης και σημεία εδαφικής δειγματοληψίας
Εικόνα 2: Περιγραφικά δεδομένα εδαφικού υδραργύρου
Εικόνα 3: Οι φασματικές καμπύλες ανακλαστικότητας μετά από μαθηματική διόρθωση με: (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL)
Εικόνα 4: Δομή του μοντέλου GA-BPNN
Εικόνα 5: Διάγραμμα ροής για τον προσδιορισμό της βέλτιστης μεθόδου προσομοίωσης εδαφικού υδραργύρου
Εικόνα 6: Συντελεστές συσχέτισης μεταξύ εδαφικού υδραργύρου και των εδαφικών φασματικών δεικτών (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL)
Εικόνα 7: Τα επιλεγμένα κανάλια και οι αντίστοιχοι συντελεστές συσχέτισης
Εικόνα 8: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο MLR συγκεντρώσεων εδαφικού υδραργύρου
Εικόνα 9: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο BPNN συγκεντρώσεων εδαφικού υδραργύρου
Εικόνα 10: Σύγκριση χημικά μετρημένων και προσομοιωμένων με το μοντέλο GA-BPNN συγκεντρώσεων εδαφικού υδραργύρου
Εικόνα 11: Αποτελέσματα των υπό εξέταση μοντέλων (MLR, BPNN, GA-BPNN) σε σχέση με τις μετρήσεις των χημικών αναλύσεων
Εικόνα 12: Δείκτες ακρίβειας των υπό εξέταση μοντέλων (MLR, BPNN, GA-BPNN)

Πρότυπος τίτλος: Estimation Methods for Soil Mercury Content Using Hyperspectral Remote Sensing

Συγγραφείς: Li Zhao, Yue-Ming Hu, Wu Zhou, Zhen-Hua Liu, Yu-Chun Pan, Zhou Shi, Lu Wang, Guang-Xing Wang

Link: https://www.mdpi.com/2071-1050/10/7/2474

Πίνακας περιεχομένων

Εισαγωγή

Ο υδράργυρος (Hg) είναι ένα από τα πιο τοξικά βαρέα μέταλλα που υπάγονται στον πλανήτη, αφού διαθέτει υψηλή νευροτοξικότητα και μεγάλη πιθανότητα τερατογενέσεων. Στο έδαφος εμφανίζεται με διάφορες μορφές τόσο από φυσικές όσο και από ανθρωπογενείς εκπομπές και χάρη στην ικανότητα του, ως βαρύ μέταλλο, να μην διασπάται εύκολα από βιολογικές διεργασίες μπορεί και βιοσυσσωρεύεται σε μεγαλύτερες συγκεντρώσεις. Αυτό έχει σαν αποτέλεσμα να επηρεάζει αρνητικά την ποιότητα των υπόγειων και επιφανειακών υδάτων, την ανάπτυξη των καλλιεργειών και εν τέλει τους ζωντανούς οργανισμούς αλλά και τον άνθρωπο. Ως εκ τούτου, η συνεχής παρακολούθηση των επιπέδων υδραργύρου στο έδαφος αλλά και των ενδεχόμενων εδαφικών ρυπάνσεων είναι υψίστης σημασίας. Οι παραδοσιακές μέθοδοι παρακολούθησης διαθέτουν υψηλή ακρίβεια και συνήθως περιλαμβάνουν πολλαπλές εδαφικές δειγματοληψίες, εργαστηριακές χημικές αναλύσεις και γεωστατιστικές μεθόδους παρεμβολής. Παρόλ’ αυτά είναι ιδιαίτερα χρονοβόρες και κοστοβόρες, ενώ συγχρόνως είναι ανακριβείς στην περίπτωση παρακολούθησης μεγάλων περιοχών. Από την άλλη με την ανάπτυξη της ψηφιακής τηλεπισκόπησης και των πολυφασματικών τεχνικών, υπάρχουν πλέον μέθοδοι που διαθέτουν ταχεία και μεγάλης κλίμακας δυναμική παρακολούθησης και μπορούν να ανιχνεύσουν αποτελεσματικά, γρήγορα και με ακρίβεια τα επίπεδα βαρέων μετάλλων στο έδαφος ακόμη και σε μεγάλης κλίμακας περιοχές.

Σκοπός της εργασίας

Η συγκεκριμένη μελέτη έχει στόχο να προσδιορίσει τη βέλτιστη μέθοδο προσομοίωσης του περιεχόμενου υδραργύρου στο έδαφος, συγκρίνοντας τα αποτελέσματα περιεκτικότητας υδραργύρου τριών διαφορετικών και συχνά εφαρμοσμένων στατιστικών μεθόδων ανάλυσης (MLR, BPNN και GA-BPNN) μεταξύ τους αλλά και με τα αποτελέσματα των χημικών αναλύσεων. Απώτερος σκοπός είναι η προσπάθεια επίλυσης των υφιστάμενων προβλημάτων στην πολυφασματική εκτίμηση επιπέδων βαρέων μετάλλων στο έδαφος, χρησιμοποιώντας μοντέλα στατιστικής ανάλυσης και μεθόδους τεχνητής μάθησης.

Υλικά και μέθοδοι

Περιοχή μελέτης

Η περιοχή μελέτης καλύπτει την επαρχία Guangdong στη Ν. Κίνα, η οποία απεικονίζεται γεωγραφικά στην Εικόνα 1. Η επαρχία Guangdong τα τελευταία χρόνια έχει σημειώσει πολύ μεγάλη οικονομική ανάπτυξη και τόσο η αστικοποίηση όσο και η βιομηχανοποίηση έχουν αυξηθεί κατά κόρον, με αποτέλεσμα το πρόβλημα ρύπανσης των εδαφών να είναι πολύ σοβαρό.

Δειγματοληψία

Συνολικά συλλέχθηκαν 75 δείγματα εδάφους βάρους περίπου 300 g το καθένα από την επαρχία Guangdong σε βάθος 0 – 20 cm. Τα σημεία δειγματοληψίας κοντά σε αγροτικές περιοχές συλλέχθηκαν σε κλίμακα 50 km x 50 km, ενώ τα σημεία κοντά σε πυκνοκατοικημένες και πιθανώς περισσότερο ρυπασμένες περιοχές σε κλίμακα 30 km x 30 km (Εικόνα 1). Η καταγραφή των σημείων πραγματοποιήθηκε με GPS (Global Positioning System). Τα δείγματα στη συνέχεια μεταφέρθηκαν στο εργαστήριο όπου υποβλήθηκαν σε προκατεργασία η οποία περιλάμβανε αεροξήρανση, αφαίρεση μη εδαφικών στοιχείων, άλεση και τελικώς κοσκίνισμα στα 0.2 mm. Μετά την προκατεργασία το κάθε δείγμα χωρίστηκε σε δύο ισομερείς ποσότητες∙ μια για τις χημικές και μια για τις φασματικές αναλύσεις.

Χημική ανάλυση

Για τη χημική ανάλυση, χρησιμοποιήθηκαν 0.2 g από το κάθε δείγμα για πέψη με μείγμα H2SO4-HNO3-KMnO4. Η ανίχνευση του περιεχόμενου υδραργύρου στα παραγόμενα διαλύματα πραγματοποιήθηκε με τη χρήση φασματοσκοπίας ατομικής απορρόφησης. Τα περιγραφικά δεδομένα του εδαφικού υδραργύρου παρουσιάζονται στην Εικόνα 2. Συλλογή και επεξεργασία εδαφικών φασματικών δεδομένων Τα εδαφικά φασματικά δεδομένα συλλέχθηκαν μετρώντας τη φασματική ανακλαστικότητα των εδαφικών δειγμάτων με τη χρήση ενός φορητού φασματόμετρου (AvaField, Avantes, Holland), το οποίο διέθετε κανάλια με εύρος από 340.316 έως 2511.179 nm και διάστημα φασματικής δειγματοληψίας 0.6 nm. Κάθε δείγμα εδάφους μετρήθηκε πέντε φορές και με τη χρήση του προγράμματος AvaReader διορθώθηκαν οι όποιες ανωμαλίες των δεδομένων, ενώ ως τιμή ανάκλασης του κάθε εδαφικού δείγματος χρησιμοποιήθηκε η μέση τιμή ανάκλασης εκ των πέντε μετρήσεων. Οι φασματικές μετρήσεις όμως επηρεάζονται εύκολα από διάφορους παράγοντες και άρα πρέπει να διορθώνονται προκειμένου να απαλειφθεί ο θόρυβος υποβάθρου και να επισημανθούν τα χαρακτηριστικά απορρόφησης και ανάκλασης της φασματικής καμπύλης που παράγεται. Στη συγκεκριμένη μελέτη, για την εξομάλυνση και τη βελτιστοποίηση της φασματικής καμπύλης κάθε εδαφικού δείγματος, χρησιμοποιήθηκε το φίλτρο εξομάλυνσης Savitzky-Golay Savitzky-Golay filter. Η παραγόμενη εξομαλυμένη καμπύλη επεξεργάστηκε με τις μεθόδους: α) αφαίρεση συνεχούς (Continuum Removed – CR) Continuum Removal, β) διαφορά πρώτης τάξης (First-order Differential – FD) και γ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL) και παράχθηκαν οι αντίστοιχες καμπύλες (Εικόνα 3).

Επιλογή καναλιών

Για την επιλογή των κατάλληλων καναλιών, δηλαδή αυτών με τους υψηλότερους συντελεστές συσχέτισης, όσον αφορά τη σχέση μεταξύ ανακλαστικότητας και εδαφικής συγκέντρωσης υδραργύρου, χρησιμοποιήθηκε ανάλυση συσχέτισης Pearson Pearson correlation μεταξύ (α) των τεσσάρων προαναφερθέντων εδαφικών φασματικών δεικτών [(1) εξομαλυμένη φασματική ανακλαστικότητα, (2) CR φασματική ανακλαστικότητα, (3) FD φασματική ανακλαστικότητα και (4) RL φασματική ανακλαστικότητα] και (β) του εδαφικού υδραργύρου, για τον προσδιορισμό τους σε επίπεδο σημασία p=0.01.

Στατιστικές μέθοδοι προσομοίωσης για τον υπολογισμό του εδαφικού υδραργύρου

MLR Multiple Linear Regression

Αποτελεί μια κλασική μέθοδο στατιστικής ανάλυσης που χρησιμοποιείται για τη δημιουργία γραμμικής εξίσωσης που στόχο έχει να εξηγήσει τη σχέση μεταξύ δύο ή περισσότερων ανεξάρτητων μεταβλητών και μιας εξαρτημένης μεταβλητής.

BPNN Back Propagation Neural Network

Η μέθοδος BPNN αποτελεί μια μέθοδο τεχνητής μάθησης, που στόχο έχει να προβλέψει τη συσχέτιση μεταξύ οποιασδήποτε μη γραμμικής μεταβλητής εισόδου και μεταβλητής εξόδου.

GA-BPNN Genetic Algorithm Back Propagation Neural Network

Αποτελεί συνδυασμό δύο μεθόδων στατιστικής ανάλυσης (GA + BPNN) που στη συγκεκριμένη έρευνα χρησιμοποιήθηκε για τη βελτιστοποίηση των αποτελεσμάτων πρόβλεψης και προσδιορισμού των εδαφικών συγκεντρώσεων υδραργύρου. Η δομή που ακολουθήθηκε για τη μέθοδο στη συγκεκριμένη έρευνα παρουσιάζεται στην Εικόνα 4. Για την επιλογή της καταλληλότερης μεθόδου ακολουθήθηκε η δομή που παρουσιάζεται στην Εικόνα 5.

Αποτελέσματα και συζήτηση

Αποτελέσματα από τη διαδικασία επιλογής των κατάλληλων καναλιών

Τα αποτελέσματα παρουσιάζονται στην Εικόνα 6. Αυτό που προκύπτει είναι ότι η απόλυτη τιμή του συντελεστή συσχέτισης μεταξύ φασματικής ανακλαστικότητας και εδαφικού υδραργύρου ήταν πάνω από 0.260 για επίπεδο σημασίας p=0.01, πράγμα που σημαίνει πως η συσχέτιση ήταν σημαντική. Συγκεκριμένα:

  • Η εξομαλυμένη φασματική ανακλαστικότητα έδωσε υψηλότερη απόλυτη συσχέτιση στα εύρη 350-695 και 2216-2228 nm
  • Η CR φασματική ανακλαστικότητα έδωσε υψηλότερη απόλυτη συσχέτιση στα εύρη 356-685 και 2200-2228 nm
  • Η FD φασματική ανακλαστικότητα έδωσε υψηλότερη θετική συσχέτιση στα 465.351 nm, 799.18 nm, 1373.48 nm, 2114.978 nm και υψηλότερη αρνητική συσχέτιση στα 587.705 nm, 1035.788 και 1975.4 nm, όπου οι απόλυτες τιμές των συντελεστών συσχέτισης, για p=0.01 ήταν πάνω από 0.300
  • Η RL φασματική ανακλαστικότητα έδωσε υψηλότερη απόλυτη συσχέτιση στα εύρη 355-674 και 2171-2500 nm

Όπως προκύπτει, τα καλύτερα αποτελέσματα έδωσε ο συντελεστής συσχέτισης μεταξύ της FD φασματικής ανακλαστικότητας και του εδαφικού υδραργύρου, αφού έδωσε μεγαλύτερο πλήθος καναλιών με συντελεστή συσχέτισης πάνω από 0.260 αλλά και υψηλότερες τιμές συντελεστών συσχέτισης σε σχέση με τους άλλους δείκτες. Συνολικά, για την έρευνα επιλέχθηκαν 13 κανάλια, τα οποία παρουσιάζονται στην Εικόνα 7, μαζί με τους αντίστοιχους συντελεστές συσχέτισης.

Αποτελέσματα στατιστικών μεθόδων προσομοίωσης για τον υπολογισμό του εδαφικού υδραργύρου

MLR

Τα αποτελέσματα του μοντέλου παρουσιάζονται σε συνάρτηση με τις χημικά μετρούμενες συγκεντρώσεις υδραργύρου στην Εικόνα 8 και στην Εικόνα 11.

BPNN

Τα αποτελέσματα του μοντέλου παρουσιάζονται σε συνάρτηση με τις χημικά μετρούμενες συγκεντρώσεις υδραργύρου στην Εικόνα 9 και στην Εικόνα 11.

GA-BPNN

Τα αποτελέσματα του μοντέλου παρουσιάζονται σε συνάρτηση με τις χημικά μετρούμενες συγκεντρώσεις υδραργύρου στην Εικόνα 10 και στην Εικόνα 11.

Σύγκριση των μοντέλων

Σύμφωνα με τους δείκτες ακρίβειας των μοντέλων οι οποίοι παρουσιάζονται στην Εικόνα 12, προκύπτει ότι το γραμμικό μοντέλο MLR είναι κατώτερο από τα υπόλοιπα δύο μοντέλα τεχνητής μάθησης, πράγμα που υποδεικνύει ότι υπάρχει μια ξεκάθαρη μη γραμμική σχέση μεταξύ των επιλεγμένων καναλιών και του εδαφικού υδραργύρου. Εν τέλει το μοντέλο GA-BPNN είναι αυτό που απέδωσε καλύτερα σε σύγκριση με τα υπόλοιπα, εξαιτίας του GA αλγόριθμου, ο οποίος βελτιστοποιεί τις παραμέτρους της BPNN μεθόδου (βλ. Εικόνα 12).

Συνόψιση και Συμπεράσματα

Η συγκεκριμένη έρευνα είχε στόχο να προσδιορίσει τη βέλτιστη μέθοδο προσομοίωσης και υπολογισμού συγκεντρώσεων εδαφικού υδραργύρου μέσω φασματικών δεδομένων. Για το λόγο αυτό πραγματοποιήθηκε μαθηματική μετατροπή της εδαφικής φασματικής ανακλαστικότητας των εδαφικών δειγμάτων με τέσσερις διαφορετικές μεθόδους: (α) εξομάλυνση Savitzky-Golay, (β) αφαίρεση συνεχούς (Continuum Removed –CR), (γ) διαφορά πρώτης τάξης (First-order Differential – FD) και (δ) αμοιβαία λογαριθμική (Reciprocal Logarithmic – RL). Έπειτα, πραγματοποιήθηκε ανάλυση συσχέτισης Pearson στα επεξεργασμένα φασματικά δεδομένα και στις χημικά μετρημένες συγκεντρώσεις χαλκού. Με βάση αυτά επιλέχθηκαν τα 13 πιο κατάλληλα κανάλια που διέθεταν τις υψηλότερες απόλυτες τιμές συντελεστή συσχέτισης. Για τον προσδιορισμό του εδαφικού υδραργύρου χρησιμοποιήθηκαν τα μοντέλα MLR, BPNN και GA-BPNN, τα αποτελέσματα των οποίων έδειξαν πως το πιο αποδοτικό εξ αυτών είναι το μοντέλο GA-BPNN καθώς έδωσε τα καλύτερα αποτελέσματα και το οποίο εν τέλει θα μπορούσε να εφαρμοσθεί και στην πράξη ως εναλλακτικός τρόπος προσδιορισμού εδαφικού υδραργύρου έναντι των χημικών μεθόδων ανάλυσης.

Προσωπικά εργαλεία